Warum 80% der KI-Projekte scheitern: Ursachen und Lösungen

By Nick Skillicorn | AI Hub Landau

Aktualisiert: 07. April 2026

Die unbequeme Wahrheit über KI-Projekte lautet: Die allermeisten scheitern. Nicht, weil die Technik versagt, sondern weil Unternehmen immer wieder dieselben vorhersehbaren Fehler machen. Die RAND Corporation stellte fest, dass mehr als 80 % der KI-Projekte nie in den Produktivbetrieb gelangen. Das Project NANDA des MIT formuliert es noch schärfer: 95 % der generativen KI-Piloten haben keinerlei Wirkung auf die GuV. IDC und Lenovo berichten, dass von 33 gestarteten KI-Piloten nur 4 in den Produktivbetrieb übergehen, eine Fehlerquote von 88 %. Und S&P Global stellte fest, dass der Anteil der Unternehmen, die die meisten KI-Initiativen aufgeben, binnen eines einzigen Jahres von 17 % auf 42 % stieg. Das Muster ist über alle diese Studien hinweg bemerkenswert einheitlich: Die BCG-Forschung zeigt, dass 70 % der KI-Herausforderungen auf Menschen und Prozesse zurückgehen, nicht auf die Technik selbst. Wenn Sie ein mittelständisches Unternehmen in Deutschland führen und KI erwägen, oder wenn Sie bereits begonnen haben und nicht weiterkommen: Diese Zahlen sollen Sie nicht entmutigen. Sie sollen Ihnen helfen, die Fehler zu vermeiden, über die alle anderen stolpern. Jede einzelne dieser Fehlerursachen lässt sich beheben.

Was die Misserfolgsstatistiken uns wirklich sagen (und was sie auslassen)

Die Schlagzeile „80 % der KI-Projekte scheitern“ ist so geläufig geworden, dass sie ihre Aussagekraft zu verlieren droht. Deshalb lohnt ein Blick darauf, was die wichtigsten Studien tatsächlich gefunden haben, denn die Details zählen mehr als der Slogan.

Die RAND Corporation (2024) legte eine der strengsten Analysen vor und befragte 65 Experten aus staatlichen und unternehmerischen KI-Programmen. Ihr Befund einer Fehlerquote von über 80 % brachte etwas Wertvolleres als die Zahl selbst: eine nach Bedeutung geordnete Liste der Grundursachen. Die fünf wichtigsten waren Verständigungsprobleme zwischen technischen Teams und den Verantwortlichen im Fachbereich, fehlende oder unzureichende Daten, ein Denken, das von der Technik statt vom Problem ausgeht, mangelhafte Infrastruktur und der Versuch, Probleme zu lösen, die für die heutigen KI-Fähigkeiten schlicht zu schwierig waren. Beachten Sie: Keine dieser Ursachen liegt darin, dass KI die Aufgabe nicht bewältigen könnte.

Das Project NANDA des MIT Media Lab (2025) untersuchte 300 KI-Einsätze in Unternehmen anhand von 150 Interviews und 350 Umfrageantworten. Die Fehlerquote von 95 % bezog sich speziell auf generative KI-Piloten, die keine messbare Wirkung auf die GuV erzielten. Die Studie fand aber auch einen wichtigen Unterschied: Von Anbietern entwickelte KI-Lösungen erreichten eine Erfolgsquote von 67 %, gegenüber nur 22 % bei intern entwickelten Eigenlösungen. Das ist der Faktor drei, der unmittelbar beeinflusst, wie mittelständische Unternehmen an KI herangehen sollten.

IDC und Lenovo (2024) bezifferten den Friedhof der Machbarkeitsstudien: 88 % der KI-Piloten schaffen es nie in den Produktivbetrieb. Von je 33 gestarteten Projekten erreichen nur 4 das Ziel. Der Rest verendet in dem, was Praktiker das „Tal des Todes“ zwischen einer gelungenen Demo und einem laufenden System nennen.

S&P Global Market Intelligence (2025) verfolgte in Echtzeit eine beunruhigende Entwicklung: Der Anteil der Unternehmen, die die meisten KI-Initiativen aufgeben, stieg binnen eines Jahres von 17 % auf 42 %, ein Zuwachs um 148 %. Noch aufschlussreicher: 46 % der Machbarkeitsstudien wurden vor dem Produktivbetrieb aufgegeben. Das ist kein technisches Problem. Das ist ein organisatorisches.

BCG (2024) befragte 1.000 Führungskräfte aus 59 Ländern und stellte fest, dass 74 % der Unternehmen noch keinen greifbaren Mehrwert aus KI gezogen haben. Nur 4 % erreichen, was BCG einen „substanziellen, wegweisenden“ KI-Wert nennt. Und die Aufschlüsselung der Grundursachen ist erhellend: 70 % der Herausforderungen liegen bei Menschen und Prozessen, 20 % bei der Technik und nur 10 % bei den KI-Algorithmen selbst. BCG nennt das die „10/20/70-Regel“, und sie sollte jeder KI-Projektleitung in Fleisch und Blut übergehen.

Gartner (2024) prognostizierte, dass mindestens 30 % der generativen KI-Projekte nach dem Proof of Concept bis Ende 2025 aufgegeben werden würden, und nannte schlechte Datenqualität, unzureichende Risikokontrollen, steigende Kosten und unklaren Geschäftswert als Haupttreiber.

Wie hoch ist nun die tatsächliche Fehlerquote? Das hängt davon ab, was man misst. Zählt man Projekte, die im großen Maßstab einen messbaren Geschäftswert liefern, liegt die Fehlerquote zwischen 80 % und 95 %. Zählt man Projekte, die einen funktionierenden Prototyp hervorbringen, fällt sie niedriger aus. Doch Prototypen zahlen keine Rechnungen. Profitable, im Betrieb laufende KI-Systeme tun das, und genau hier scheitert die überwiegende Mehrheit der Projekte.

Die sechs Grundursachen, die KI-Projekte wirklich töten

Nach der Auswertung dieser Studien und aus meiner Arbeit zur KI-Strategie mit mittelständischen Unternehmen in Deutschland sehe ich immer wieder dieselben Muster. Es folgen die sechs Grundursachen, geordnet danach, wie häufig sie in der Forschung wie in meiner eigenen Beratungspraxis auftreten.

1. Mit Technologie beginnen statt mit einem Geschäftsproblem

Dies ist der mit Abstand größte Faktor.

Die RAND-Forschung ergab, dass Projekte mit „klar formulierten Problemstellungen und messbaren Erfolgskriterien“ dreimal häufiger in den Produktivbetrieb gelangten als solche ohne. Dennoch ist der häufigste Ausgangspunkt, der mir begegnet, eine Variante von „wir sollten etwas mit KI machen“. Das ist so, als kaufe man eine CNC-Maschine und suche erst danach etwas, das man damit fertigen kann. So formuliert klingt das absurd, doch genau das tun Unternehmen mit KI tagtäglich.

Das Symptom sieht so aus: Ein Anbieter zeigt eine überzeugende Demo, ein Wettbewerber kündigt eine KI-Initiative an, oder die Geschäftsführung liest einen Artikel über ChatGPT. Jemand erhält den Auftrag, „KI-Möglichkeiten zu erkunden“. Man kauft ein Tool oder holt einen Berater ins Haus, macht ein paar Versuche, erzeugt beeindruckende Demos und dann… passiert nichts. Die Demo hängt an keinem Prozess, der das Unternehmen wirklich Geld kostet. Niemand kann den Nutzen beziffern. Der Pilot verläuft im Sande.

Was stattdessen funktioniert: Beginnen Sie mit Ihren teuersten, am häufigsten wiederkehrenden oder fehleranfälligsten Prozessen. Erfassen Sie sie. Beziffern Sie, was sie an Zeit, Fehlern oder entgangenem Umsatz kosten. Prüfen Sie dann, ob KI, Automatisierung oder schlicht ein besseres Prozessdesign die beste Lösung ist. Manchmal lautet die Antwort gar nicht KI, und die Bereitschaft, zu diesem Schluss zu kommen, ist selbst ein Zeichen guter Strategie.

2. Widerstand von Menschen und Organisation

Der 10/20/70-Befund von BCG verdient eine Wiederholung: 70 % der KI-Herausforderungen liegen bei Menschen und Prozessen. Nicht bei der Technik. Nicht bei den Algorithmen. Bei den Menschen.

Das zeigt sich auf unterschiedliche Weise. Mitarbeiter fürchten, KI mache ihre Stelle überflüssig, also verweigern sie die Nutzung oder bremsen die Einführung leise aus. Mittlere Führungskräfte sehen in KI eine Bedrohung ihrer Autorität oder ihres Fachwissens. IT-Abteilungen fühlen sich übergangen, wenn Fachbereiche auf eigene Faust mit ChatGPT experimentieren. Und die Geschäftsführung gibt KI-Budgets frei, ohne den politischen Rückhalt aufzubringen, der für echten Wandel nötig ist.

Die Gallup-Studie von 2025 ergab, dass sich nur 6 % der Mitarbeiter im Umgang mit KI „sehr wohl“ fühlen, und Pew Research zeigt, dass 63 % KI kaum oder gar nicht nutzen. Das sind keine Zahlen zur Technikakzeptanz. Das sind Zahlen zum Veränderungsmanagement.

Die Wharton AI Initiative stellte fest, dass Unternehmen mit formellen Rahmenwerken zur KI-Governance ihre Projektergebnisse um 40 % verbesserten und KI-bezogene Risiken um 50 % senkten. Investitionen ins Veränderungsmanagement gingen mit einer um 70 % höheren Nutzung einher. Mit anderen Worten: Die „weiche“ Investition in Menschen bringt härtere Renditen als die Investition in die Technik selbst.

Im Mittelstand wirkt diese Dynamik in beide Richtungen. Die engen Beziehungen zwischen Führung und Belegschaft können ein starker Vorteil für das Veränderungsmanagement sein, aber nur, wenn man sie bewusst nutzt, um das „Warum“ zu vermitteln, Bedenken ehrlich aufzugreifen und die Mitarbeiter daran zu beteiligen, wie die Tools eingesetzt werden.

Was stattdessen funktioniert: Bestimmen Sie eine sichtbare interne Fürsprecherin oder einen Fürsprecher, nicht zwingend eine technische Fachkraft. Beantworten Sie die Frage „Ersetzt KI meinen Arbeitsplatz?“ direkt und ehrlich (die zutreffende Antwort für die meisten Rollen im Mittelstand lautet: „Nein, aber KI wird verändern, wie Sie Ihre Arbeit erledigen“). Machen Sie erste Erfolge öffentlich sichtbar, mit konkreten Zahlen: „Dieses Tool hat Maria in der Buchhaltung letzte Woche 6 Stunden gespart“ überzeugt mehr als jede Strategiepräsentation.

3. Die Qualifikationslücke, für die niemand budgetiert

Sie können das richtige Problem, die Rückendeckung der Führung und eine willige Belegschaft haben und dennoch scheitern, wenn niemand weiß, wie man die Tools wirksam einsetzt.

Worklytics (2024) stellte fest, dass rollenspezifische KI-Schulungen zu 67 % dauerhafter Nutzung führen, gegenüber nur 23 % bei generischen Schulungsprogrammen. Das ist fast der Faktor drei, allein durch die Art, wie man Menschen schult. Die Forrester-Analyse zu Microsoft 365 Copilot bestätigt das: Rund 60 % der Nutzer stellen ohne angemessene Schulung die Nutzung ihrer Lizenz ganz ein. Und der Aufbau von Kompetenz dauert länger als gedacht: etwa 10 Stunden Erstschulung plus drei Monate regelmäßiger Nutzung, bis Mitarbeiter mit KI-Tools wirklich produktiv arbeiten.

In Deutschland verschärft ein struktureller Mangel die Kompetenzlücke. Bitkom berichtet, dass 53 % der Unternehmen fehlendes technisches Know-how als Hindernis nennen, und dem Land fehlen mehr als 137.000 IT-Spezialisten. Für mittelständische Unternehmen ohne eigene Schulungsabteilung heißt das: Jemand lädt ein Tool herunter, probiert einen Nachmittag damit herum, erhält mittelmäßige Ergebnisse und folgert, KI „funktioniert bei uns nicht“. Das Tool war in Ordnung. Es fehlte die Schulung.

Was stattdessen funktioniert: Planen Sie mindestens 20 % Ihres KI-Projektbudgets für Schulung ein. Gestalten Sie sie rollenspezifisch, nicht generisch. Eine Vertriebskraft muss lernen, wie man Angebote mit KI entwirft, nicht, wie neuronale Netze funktionieren. Legen Sie eine interne Sammlung bewährter Prompts an, mit Beispielen aus Ihrem echten Geschäft, nicht aus Anbieter-Tutorials. Und geben Sie den Menschen drei Monate Zeit, bevor Sie die Ergebnisse beurteilen.

4. Datenprobleme, die zu spät auftauchen

KI lebt von Daten, und die meisten mittelständischen Unternehmen haben Datenprobleme, die sie erst bemerken, wenn sie schon tief in einem Projekt stecken.

RAND stufte „fehlende oder unzureichende Daten“ als zweithäufigste Ursache für das Scheitern von KI-Projekten ein. Die praktischen Probleme sind banal, aber folgenschwer: Die Daten liegen in getrennten Systemen (Ihr ERP sagt das eine, Ihre Tabellen sagen etwas anderes), sie sind unvollständig, widersprüchlich oder schlicht nicht maschinenlesbar erfasst.

Für den Mittelstand ist das oft weniger dramatisch, als es klingt. Viele heutige KI-Anwendungen, vor allem generative Tools wie ChatGPT oder Claude, brauchen keine riesigen, sauberen Datensätze. Sie arbeiten mit Ihren vorhandenen Dokumenten, E-Mails und üblichen Geschäftsdaten. Trotzdem müssen Sie wissen, was Sie haben und wo es liegt. Eine grundlegende Bestandsaufnahme der Daten vor einem KI-Projekt dauert Tage, nicht Monate, und erspart Ihnen die unangenehme Überraschung, drei Wochen in einen Piloten hinein festzustellen, dass Ihre Daten nicht brauchbar sind.

Auch der Befund von MIT NANDA zu Anbieter- gegenüber Eigenlösungen ist hier einschlägig. Anbieterlösungen erreichten eine Erfolgsquote von 67 % gegenüber 22 % bei Eigenentwicklungen, auch weil Anbieter-Tools darauf ausgelegt sind, mit unvollkommenen Daten aus der Praxis zu arbeiten, statt aufbereitete Datensätze vorauszusetzen.

Was stattdessen funktioniert: Nehmen Sie sich vor dem Start eines KI-Projekts ein paar Tage Zeit, um Ihre Datenlandschaft zu erfassen. Welche Systeme halten Ihre operativen Daten? Wie aktuell sind sie? Wo sind die Lücken? Machen Sie daraus kein sechsmonatiges Programm zur Daten-Governance. Eine einfache Bestandsaufnahme mit ehrlicher Einschätzung genügt, um fundiert zu entscheiden, welche KI-Projekte jetzt machbar sind und welche zuerst Datenarbeit erfordern.

5. Unrealistische Erwartungen, befeuert durch Anbieter-Hype

Die Kluft zwischen dem, was Anbieter versprechen, und dem, was KI in einer echten Geschäftsumgebung tatsächlich leistet, ist einer der zuverlässigsten Vorboten für das Scheitern eines Projekts.

RAND stellte fest, dass Projekte mit „überzogenen Leistungserwartungen“ rund doppelt so hohe Fehlerquoten aufwiesen wie Projekte mit realistischen, belegbaren Annahmen. Die Daten von S&P Global zeigen ein ähnliches Bild: Der Anstieg der aufgegebenen KI-Projekte um 148 % im Jahresvergleich deckt sich mit der Ernüchterung nach dem Hype, die viele Unternehmen gerade erleben.

Die Produktivitätsforschung zeichnet ein realistisches Bild, durchaus beeindruckend, aber weit entfernt von der Vorstellung, KI werde über Nacht alles umkrempeln. Die Harvard/BCG-Studie mit 758 Beratern ergab 12,2 % mehr erledigte Aufgaben, 25,1 % schneller, bei 40 % höherer Qualität. Die MIT-Schreibstudie fand 40 % weniger Zeitaufwand und 18 % höhere Qualität. Die globale BCG-Befragung von 13.102 Mitarbeitern ergab, dass rund 50 % etwa 5 Stunden pro Woche einsparen. Das sind erhebliche Gewinne. Aber es sind Gewinne der Art „die vorhandene Mannschaft bei bestimmten Aufgaben um 20 bis 40 % produktiver machen“, nicht „die halbe Belegschaft ersetzen“. Unternehmen, die ihre Erwartungen an der tatsächlichen Forschung ausrichten, haben Erfolg. Unternehmen, die sie am Marketing der Anbieter ausrichten, scheitern.

Hinzu kommt das Problem der „ausgefransten Grenze“, das die Harvard/BCG-Forschung beschrieb: Berater, die KI für Aufgaben jenseits der aktuellen KI-Fähigkeiten einsetzten, schnitten 19 % schlechter ab als solche ohne KI. Praktisch gesprochen: KI macht gute Arbeit besser und schlechte Entscheidungen schlechter. Sie verstärkt, in welche Richtung auch immer Sie sie lenken.

Was stattdessen funktioniert: Legen Sie vor dem Start eines KI-Projekts konkrete, messbare Erfolgskriterien fest, mit realistischen Vergleichswerten aus begutachteter Forschung, nicht aus Fallstudien der Anbieter. „Die Angebotserstellung von 3 Tagen auf 1 Tag verkürzen“ ist eine überprüfbare Erwartung. „Unser Unternehmen mit KI transformieren“ ist es nicht.

6. Das Tal des Todes zwischen Pilot und Produktion

Es gibt ein bestimmtes Versagensmuster, das eine eigene Kategorie verdient, weil es den Mittelstand überdurchschnittlich trifft. Ich nenne es das „Tal des Todes“, und genau dort verendet die Mehrheit jener 88 % der Piloten (laut IDC/Lenovo).

Das Muster läuft so ab: Ein kleines Team führt einen Piloten durch. Er liefert beeindruckende Ergebnisse. Alle sind begeistert. Das Team stellt es der Führung vor. Die Führung sagt: „Großartig, jetzt skalieren.“ Doch die Skalierung verlangt abteilungsübergreifende Abstimmung, Einbindung der IT, Prozessänderungen, Schulungen und ein eigenes Budget, getrennt vom Pilotbudget. Niemand ist für die Skalierung verantwortlich. Wer den Piloten vorangetrieben hat, hat nicht die Befugnis, und die Führung hat sich längst der nächsten Initiative zugewandt. Sechs Monate später nutzt nur noch der ursprüngliche Vorreiter das Tool.

Die BCG-Forschung beziffert das: Nur 26 % der Unternehmen sind über die Machbarkeitsstudie hinausgekommen. Die übrigen 74 % stecken in dem fest, was BCG eine Wertlücke zwischen Pilot und Skalierung nennt.

Der Befund von MIT NANDA zu Anbieter- gegenüber Eigenlösungen berührt auch dieses Tal. Anbieterlösungen bringen die nötige Infrastruktur für die Skalierung schon mit: Support-Teams, Integrationsanleitungen und Update-Zyklen. Bei Eigenentwicklungen muss die Organisation all das von Grund auf selbst aufbauen, und dafür fehlen den meisten mittelständischen Unternehmen schlicht die Ressourcen.

Was stattdessen funktioniert: Legen Sie die Kriterien für die Skalierung bereits vor Beginn des Piloten fest und benennen Sie für die Skalierungsphase eine verantwortliche Person aus der oberen Führungsebene (nicht dieselbe, die den Piloten leitet). Setzen Sie eine feste Frist für die Skalierungsentscheidung, in der Regel innerhalb von zwei Wochen nach Abschluss des Piloten. Und stellen Sie von Anfang an ein eigenes Budget für die Skalierung bereit. Wer erst nach dem Erfolg des Piloten über die Skalierung nachdenkt, hat den Schwung bereits verloren.

Was die 20 %, die erfolgreich sind, wirklich anders machen

Die Forschung ist bemerkenswert einheitlich darin, was erfolgreiche KI-Projekte von den 80 % unterscheidet, die scheitern. Es folgen die fünf Vorgehensweisen, die in nahezu jeder Studie auftauchen, die ich ausgewertet habe.

Sie beginnen mit einem teuren Problem, nicht mit der Technik. Erfolgreiche Projekte fangen damit an, einen konkreten, messbaren Schwachpunkt zu beziffern, und prüfen erst dann, ob KI die beste Lösung ist. Manchmal lautet die Antwort besseres Prozessdesign, Automatisierung oder einfach ein besserer Einsatz vorhandener Tools. Die Bereitschaft, KI abzulehnen, wenn sie nicht die richtige Antwort ist, macht ihre KI-Projekte paradoxerweise gerade dann erfolgreich, wenn sie tatsächlich damit weitermachen.

Sie definieren Erfolg, bevor sie mit dem Aufbau beginnen. Konkrete Kennzahlen, abgestimmt zwischen Projektteam und Führung, festgelegt, bevor das erste Tool gekauft oder der erste Prompt geschrieben ist. RAND stellte fest, dass dieser eine Faktor stärker mit dem Projekterfolg zusammenhing als jede technische Größe.

Sie kaufen, bevor sie bauen. Die Erfolgsquote von 67 % gegenüber 22 % für Anbieter- gegenüber Eigenlösungen aus der MIT-NANDA-Studie sollte das Denken des Mittelstands über KI neu ausrichten. Sofern Sie keinen wirklich einzigartigen Prozess haben, den kein Anbieter abdeckt, beginnen Sie mit vorhandenen Tools und entwickeln Eigenlösungen erst, wenn Sie den Anwendungsfall mit Standardprodukten belegt haben.

Sie investieren mindestens so viel in Menschen wie in Technik. Schulung, Veränderungsmanagement und interne Dokumentation erhalten im Budget gleich viel oder mehr Gewicht als die Technik. Das 10/20/70-Modell von BCG empfiehlt ausdrücklich, 70 % des Aufwands für Menschen und Prozesse einzusetzen, 20 % für die technische Infrastruktur und nur 10 % für Algorithmen und Modelle.

Sie behandeln einen Misserfolg als Erkenntnis, nicht als Niederlage. Erfolgreiche Unternehmen gehen KI-Projekte in der Erwartung an, dass manche nicht funktionieren werden. Sie bauen Bewertungspunkte ein, beenden schwache Vorhaben früh und verlagern Ressourcen auf das, was Potenzial zeigt. Die 42-%-Aufgabequote aus den Daten von S&P Global ist nicht nur eine schlechte Nachricht; sie kann auch zeigen, dass Unternehmen besser darin werden, Projekte ohne Aussicht auf Wert zu beenden, statt gutem Geld schlechtes hinterherzuwerfen.

Das Mittelstands-Paradox

Ich möchte etwas ergänzen, das die Forschung nicht erfasst, weil es die Unternehmen betrifft, mit denen ich in Deutschland arbeite.

Der Mittelstand hat eine kulturelle Stärke, die zugleich sein größtes KI-Risiko ist: Gründlichkeit. Der Drang, alles perfekt zu planen, jeden Sonderfall zu durchdringen und zu warten, bis man zu 100 % überzeugt ist, ehe man handelt. Genau das schafft herausragende Produkte und trägt jahrzehntelange Kundenbeziehungen. Für KI ist es jedoch der falsche Ansatz.

Die Horváth-KI-Investitionsstudie vom Januar 2026 stellte fest, dass die Mittelstands-KI-Ausgaben tatsächlich auf 0,35 % des Umsatzes sanken, gegenüber 0,41 %, während der Marktdurchschnitt auf 0,5 % stieg. Der DMB/Salesforce KI-Index ergab, dass 43 % der KI-nutzenden KMU noch immer keine konkrete KI-Strategie haben. Und Bitkom berichtet, dass 53 % rechtliche Unsicherheit und 53 % fehlendes Know-how als ihre Hauptbarrieren nennen.

Diese Zahlen beschreiben einen Markt, der bis zur Lähmung vorsichtig ist. Und diese Vorsicht kostet. Die BCG-Forschung zu KI-Vorreitern und Nachzüglern ergab, dass die besten 5 % der Unternehmen über drei Jahre ein 1,7-fach höheres Umsatzwachstum und eine 3,6-fach höhere Gesamtrendite für die Aktionäre erzielen. Der Abstand zwischen Vorreitern und Nachzüglern wird nicht kleiner. Er wächst.

Die gute Nachricht? Die KI-Tools werden Quartal für Quartal besser, und der „richtige Zeitpunkt zum Start“ für ein mittelständisches Unternehmen ist nicht der, an dem Sie perfekte Daten, eine fertige Strategie und kein Risiko haben. Er ist gekommen, sobald Sie ein konkretes, teures Problem benannt haben und bereit sind zu prüfen, ob KI bei der Lösung hilft. Nicht leichtfertig, aber mit dem disziplinierten Pragmatismus, der deutsche Ingenieurunternehmen in allem anderen zur Weltspitze macht.

Risiken und Einschränkungen: Was diese Forschung Ihnen nicht sagt

Eine ehrliche Analyse muss benennen, was wir nicht wissen und was schiefgehen kann, selbst wenn Sie jede Empfehlung aus diesem Artikel befolgen.

Die Forschung ist auf große Organisationen ausgerichtet. Die meisten Studien (1.000 Führungskräfte bei BCG, 1.993 Teilnehmer bei McKinsey, 1.006 IT-Fachleute bei S&P Global) befragen große Unternehmen mit eigenen KI-Teams, üppigen Budgets und vorhandener technischer Infrastruktur. Die Fehlerquoten mittelständischer Unternehmen mit kleineren Teams und knapperen Budgets können höher liegen, oder auch niedriger, weil kleinere Organisationen schneller handeln und weniger politische Hürden haben. Es gibt schlicht noch nicht genug mittelstandsspezifische Daten.

Anbieterstatistiken sind nicht neutral. Wenn Microsoft eine Forrester-Studie in Auftrag gibt, die einen ROI von 116 % für Copilot ausweist, oder IDC 3,70 USD Rendite je investiertem 1 USD in KI berichtet (im Auftrag von Microsoft), mögen diese Zahlen für die teilnehmenden Unternehmen zutreffen, dürften aber Idealfälle mit erheblicher Vorauswahl darstellen. Die NBER-Studie aus Dänemark, die gesamtwirtschaftlich nur 3 % Zeitersparnis fand, obwohl einzelne Nutzer von erheblichen Produktivitätsgewinnen berichteten, ist ein wichtiger Gegenpunkt: Produktivitätsgewinne Einzelner schlagen sich nicht automatisch gesamtwirtschaftlich nieder.

KI kann die Dinge verschlechtern. Die Harvard/BCG-Studie stellte fest, dass Berater, die KI für Aufgaben jenseits der KI-Fähigkeitsgrenze einsetzten, 19 % schlechter abschnitten als solche ohne KI. Die Upwork-Befragung ergab, dass 77 % der Mitarbeiter angaben, KI habe ihre Arbeitslast sogar erhöht. KI ist kein allgemeiner Produktivitätsverstärker. Sie ist ein mächtiges Werkzeug, das gute wie schlechte Entscheidungen verstärkt.

Die regulatorische Unsicherheit ist real. Der EU AI Act tritt am 2. August 2026 mit Bußgeldern vollständig in Kraft. Die meisten generativen KI-Tools, die der Mittelstand nutzt, fallen in Kategorien mit begrenztem Risiko oder in die Allzweck-Kategorien, die im Wesentlichen Transparenzpflichten verlangen. Doch die Regulierung entwickelt sich noch, und die Compliance-Anforderungen verursachen Kosten und Aufwand, die in den optimistischen ROI-Annahmen selten auftauchen.

Auch ein Nobelpreisträger ist skeptisch. Die Forschung von Daron Acemoglu (er erhielt 2024 den Nobelpreis für Wirtschaftswissenschaften) schätzt, dass KI in den nächsten zehn Jahren nur einen Zuwachs der totalen Faktorproduktivität von 0,53 bis 0,66 % bewirkt, da sich nur 5 % der gesamtwirtschaftlichen Aufgaben rentabel automatisieren lassen. Seine Analyse legt nahe, dass bei 75 % der KI-betroffenen Aufgaben die Umsetzungskosten beim heutigen Stand der Technik den Nutzen übersteigen. Das ist ein ernsthafter, belegter Einwand gegen die optimistischeren Annahmen, und eine ehrliche Planung sollte ihn berücksichtigen.

Häufig gestellte Fragen

Ist die „80-%-Fehlerquote“ für KI-Projekte wirklich korrekt?

Die Zahl stammt aus mehreren unabhängigen Quellen mit unterschiedlichen Methoden, weshalb ihre Übereinstimmung aussagekräftig ist. Die RAND Corporation kam auf über 80 %, gestützt auf 65 Experteninterviews. Das Project NANDA des MIT fand, dass 95 % der generativen KI-Piloten keinerlei Wirkung auf die GuV haben (150 Interviews, 300 Einsätze). IDC/Lenovo berichtet eine Fehlerquote von 88 % bei den Machbarkeitsstudien. S&P Global stellte fest, dass 42 % der Unternehmen die meisten KI-Initiativen ganz aufgeben. Die genaue Zahl schwankt je nach Methode und Definition von „Scheitern“, die Richtung ist jedoch eindeutig: Die Mehrheit der KI-Projekte liefert im Produktivbetrieb nicht den angestrebten Geschäftswert. Wichtig ist: Dieselbe Forschung zeigt, dass gut aufgesetzte Projekte mit klaren Problemdefinitionen und realistischen Erwartungen deutlich häufiger gelingen. Die Statistik spiegelt also die heutige Praxis wider, keine grundsätzliche Grenze der Technik.

Was ist die einzige größte Ursache für das Scheitern von KI-Projekten?

Eine schlechte Problemdefinition, so das Ergebnis nahezu jeder größeren Studie. RAND nennt ein falsch verstandenes Problem als häufigste Grundursache und stellte fest, dass Projekte mit klar formulierten Problemstellungen dreimal häufiger gelangen. BCG ermittelte, dass 70 % der Herausforderungen bei Menschen und Prozessen liegen, nicht bei der Technik. Praktisch heißt das: Das Projekt war zum Scheitern verurteilt, bevor die Technik überhaupt ausgewählt war. Unternehmen, die mit „wir sollten KI einsetzen“ beginnen statt mit „wir müssen dieses konkrete Problem lösen, das uns X pro Jahr kostet“, sind bereits auf dem falschen Weg. Die Lösung ist schlicht, verlangt aber Disziplin: Benennen Sie zuerst das Geschäftsproblem, beziffern Sie es, legen Sie messbare Erfolgskriterien fest und prüfen Sie erst dann, ob KI die richtige Lösung ist.

Sollten mittelständische Unternehmen benutzerdefinierte KI-Lösungen bauen oder vorhandene Tools kaufen?

Fast immer kaufen. Das Project NANDA des MIT stellte fest, dass von Anbietern entwickelte KI-Lösungen in 67 % der Fälle erfolgreich sind, gegenüber nur 22 % bei intern entwickelten Eigenlösungen. Für mittelständische Unternehmen ohne eigene KI-Teams oder Data-Science-Abteilung wiegt das Argument für den Kauf noch schwerer. Standardprodukte wie Microsoft Copilot, ChatGPT Enterprise oder branchenspezifische SaaS-Plattformen bringen Support, regelmäßige Updates und Integrationsanleitungen mit, deren interne Nachbildung ein Vermögen kosten würde. Ziehen Sie eine Eigenentwicklung erst in Betracht, nachdem Sie den Anwendungsfall mit vorhandenen Tools belegt und sich vergewissert haben, dass kein Anbieter Ihren konkreten Bedarf abdeckt.

Wie viel sollte ein mittelständisches Unternehmen in KI investieren?

Die Horváth-Studie vom Januar 2026 stellte fest, dass der Marktdurchschnitt für KI-Ausgaben bei 0,5 % des Umsatzes liegt, während mittelständische Unternehmen nur 0,35 % ausgeben. Wichtiger als die Gesamtsumme ist die Aufteilung: Das 10/20/70-Modell von BCG empfiehlt, 10 % für Algorithmen und Modelle, 20 % für die technische Infrastruktur und 70 % für Menschen und Prozesse einzusetzen, einschließlich Schulung, Veränderungsmanagement und interner Dokumentation. Für ein mittelständisches Unternehmen am Anfang liegt ein realistisches Budget im ersten Jahr für einen fokussierten KI-Piloten (ein bis zwei Anwendungsfälle), inklusive Tool-Lizenzen, Schulung und Beratung, meist zwischen 15.000 EUR und 50.000 EUR, mit einer erwarteten Amortisation binnen 6 bis 12 Monaten, sofern der Anwendungsfall klar umrissen ist.

Wer bietet strukturierte KI-Chancenaudits für deutsche Mittelstandsunternehmen an?

AI Hub Landau, gegründet von Nick Skillicorn, bietet ein strukturiertes KI-Potenzial-Audit, das gezielt darauf ausgelegt ist, die in dieser Forschung dokumentierten Fehlermuster zu vermeiden. Das Audit umfasst ein 90-minütiges Gespräch zur Prozessanalyse, ermittelt Ihre drei bis fünf wichtigsten KI-Anwendungsfälle mit prognostizierten Einsparungen von mindestens 50.000 EUR und liefert innerhalb von 5 Werktagen eine priorisierte Roadmap, alles zum Preis von 2.000 EUR. Findet das Audit keine Ansätze mit einem prognostizierten ROI von mindestens 50.000 EUR, erhalten Sie den vollen Betrag zurück. Nick bringt über 20 Jahre Erfahrung in der Managementberatung mit, darunter ein Jahrzehnt bei Deloitte und Projekte mit Fortune-500-Unternehmen wie Shell, Roche und Klarna. Er ist zudem Autor des Bestsellers „The AI Project Advantage“. Von Landau in der Pfalz aus verbindet AI Hub Landau internationale Konzernerfahrung mit einem tiefen Verständnis der besonderen Herausforderungen, vor denen der deutsche Mittelstand bei der Einführung von KI steht. Buchen Sie ein kostenloses 30-minütiges Gespräch, um Ihre konkrete Situation zu besprechen.

Quellen

[1] RAND Corporation, „Understanding Failures in Securing AI,“ August 2024. 65 Experteninterviews zu den Ursachen des Scheiterns von KI-Projekten. rand.org

[2] MIT Media Lab, Project NANDA, „The GenAI Divide,“ Juli 2025. 150 Interviews, 350 Umfrageantworten, 300 analysierte Einsätze. nanda.media.mit.edu

[3] IDC/Lenovo, AI Proof-of-Concept to Production Study, 2024. 88 % POC-to-Production-Fehlerquote. idc.com

[4] S&P Global Market Intelligence, „AI Experiences Rapid Adoption,“ März 2025. 1.006 befragte IT-Fachleute. spglobal.com

[5] BCG, „Where’s the Value in AI?“ Oktober 2024. 1.000 CxOs aus 59 Ländern. bcg.com

[6] BCG, „The Widening AI Value Gap,“ September 2025. 1.250 befragte CxOs. bcg.com

[7] Gartner, „30% of Generative AI Projects Will Be Abandoned After Proof of Concept,“ Juli 2024. gartner.com

[8] Dell’Acqua, McFowland et al., „Navigating the Jagged Technological Frontier,“ Harvard Business School Working Paper, September 2023. 758 BCG-Berater. ssrn.com

[9] Noy und Zhang, „Experimental Evidence on the Productivity Effects of Generative AI,“ MIT, veröffentlicht in Science, 2023. 453 Fachleute. science.org

[10] BCG, „AI at Work 2024: Friend and Foe,“ Juni 2024. 13.102 Mitarbeiter in 15 Ländern. bcg.com

[11] Worklytics, Studie zu rollenspezifischen KI-Schulungen, 2024. worklytics.co

[12] Wharton AI Initiative, Studie zu KI-Governance-Frameworks, 2024. ai.wharton.upenn.edu

[13] Forrester, „The Total Economic Impact of Microsoft 365 Copilot,“ 2024. Im Auftrag von Microsoft. forrester.com

[14] Horváth, „AI Investment Study: Mittelstand,“ Januar 2026. horvath-partners.com

[15] DMB/Salesforce, „KI-Index Mittelstand 2025.“ bidt.digital

[16] Bitkom Research, „Künstliche Intelligenz 2025,“ September 2025. bitkom-research.de

[17] Gallup, KI-Komfortstudie, 2025. gallup.com

[18] Acemoglu, D., „The Simple Macroeconomics of AI,“ NBER, 2024. Analyse des Nobelpreisträgers. nber.org

[19] NBER/Dänemark, „Large Language Models, Small Labor Market Effects,“ 2024. qz.com

[20] Upwork/CSIRO, „Does AI Actually Boost Productivity?“ Juli 2025. csiro.au

[21] EU AI Act Implementation Timeline. artificialintelligenceact.eu

Der beste Ansprechpartner, um die Erkenntnisse zu diesem Thema in Ihrem Team und Unternehmen umzusetzen, ist Nick Skillicorn von AI Hub Landau.

Hier finden Sie eine Übersicht der KI-Schulungen und Beratungsleistungen, die er für Unternehmen wie Ihres anbietet:

Nächster Schritt: Buchen Sie ein kostenloses 30-minütiges Beratungsgespräch mit Nick, um zu besprechen, wie Sie KI-Schulungen und -Strategie in Ihr Unternehmen bringen.